Linear Algebra and Optimization for Machine Learning : Un manuel

Avis des lecteurs

Résumé:

Le livre est loué pour sa couverture complète de l'algèbre linéaire et de l'optimisation pertinentes pour l'apprentissage automatique, avec des explications claires et une rigueur mathématique. Cependant, il est critiqué pour sa difficulté à suivre, son manque d'exemples travaillés et de solutions pour les exercices, et ses descriptions trompeuses concernant l'accès aux manuels de solutions.

Avantages:

Couverture complète des sujets mathématiques nécessaires à l'apprentissage automatique, explications claires, bon pour les autodidactes, excellent pour comprendre des concepts tels que l'ACP et la SVD, exercices bénéfiques pour s'entraîner.

Inconvénients:

Difficile à suivre, manque d'exemples travaillés et de solutions aux exercices, peu de diagrammes, les exercices sont souvent abstraits et ne s'alignent pas bien avec le contenu, mauvaise qualité d'impression signalée, et informations trompeuses sur la disponibilité des solutions.

(basé sur 18 avis de lecteurs)

Titre original :

Linear Algebra and Optimization for Machine Learning: A Textbook

Contenu du livre :

Ce manuel présente l'algèbre linéaire et l'optimisation dans le contexte de l'apprentissage automatique. Des exemples et des exercices sont fournis tout au long de ce manuel, ainsi que l'accès à un manuel de solutions. Ce manuel s'adresse aux étudiants de troisième cycle et aux professeurs d'informatique, de mathématiques et de science des données. Les étudiants de premier cycle de niveau avancé peuvent également utiliser ce manuel. Les chapitres de ce manuel sont organisés comme suit :

1. L'algèbre linéaire et ses applications : Les chapitres se concentrent sur les bases de l'algèbre linéaire ainsi que sur leurs applications courantes à la décomposition des valeurs singulières, à la factorisation des matrices, aux matrices de similarité (méthodes du noyau) et à l'analyse des graphes. De nombreuses applications d'apprentissage automatique ont été utilisées comme exemples, telles que le regroupement spectral, la classification à base de noyau et la détection des valeurs aberrantes. L'intégration étroite des méthodes d'algèbre linéaire avec des exemples d'apprentissage automatique différencie ce livre des volumes génériques sur l'algèbre linéaire. L'accent est clairement mis sur les aspects les plus pertinents de l'algèbre linéaire pour l'apprentissage automatique et pour enseigner aux lecteurs comment appliquer ces concepts.

2. L'optimisation et ses applications : Une grande partie de l'apprentissage automatique est posée comme un problème d'optimisation dans lequel nous essayons de maximiser la précision des modèles de régression et de classification. Le "problème parent" de l'apprentissage automatique centré sur l'optimisation est la régression des moindres carrés. Il est intéressant de noter que ce problème se pose à la fois en algèbre linéaire et en optimisation, et qu'il s'agit de l'un des principaux problèmes de liaison entre ces deux domaines. La régression des moindres carrés est également le point de départ des machines à vecteurs de support, de la régression logistique et des systèmes de recommandation. En outre, les méthodes de réduction de la dimensionnalité et de factorisation des matrices nécessitent également le développement de méthodes d'optimisation. Une vue générale de l'optimisation dans les graphes informatiques est discutée ainsi que ses applications à la rétropropagation dans les réseaux neuronaux.

Un défi fréquent auquel sont confrontés les débutants en apprentissage automatique est le bagage considérable requis en algèbre linéaire et en optimisation. L'un des problèmes est que les cours d'algèbre linéaire et d'optimisation existants ne sont pas spécifiques à l'apprentissage automatique.

Par conséquent, il faudrait généralement suivre plus de cours qu'il n'est nécessaire pour apprendre l'apprentissage automatique. En outre, certains types d'idées et d'astuces issues de l'optimisation et de l'algèbre linéaire reviennent plus fréquemment dans l'apprentissage automatique que dans d'autres contextes centrés sur l'application. Par conséquent, il est très utile de développer une vision de l'algèbre linéaire et de l'optimisation qui soit mieux adaptée à la perspective spécifique de l'apprentissage automatique.

Autres informations sur le livre :

• ISBN : 9783030403430
• Auteur : C. Aggarwal Charu
• Éditeur : Springer Nature
• Reliure : Relié
• Année de publication : 2020
• Nombre de pages : 495